Bỏ qua đến nội dung chính
Mục lục

Bài tập kiểm định giả thuyết: t, chi bình phương, ANOVA

AIDev Team · duyệt: Nguyễn Việt Chung

Bài 13/14 · Chương 10

Các kiểm định thường dùng

  • 8 phút
  • Trung cấp
  • Python 3.14
  • Cập nhật

Chín bài tập kiểm định giả thuyết dưới đây được chấm ngay trên trang: mỗi bài bạn viết thân một hàm Python nhỏ, bấm Chạy, và từng dòng kiểm tra báo đạt hay chưa. Các bài dùng lại cả chương kiểm định: quy tắc p ≤ α, kiểm định z và t, chi bình phương, ANOVA, Mann-Whitney, Wilcoxon, hiệu chỉnh Bonferroni và mô phỏng.

Cần biết trước: kiểm định giả thuyết, chọn kiểm định và p-value.

Cách làm các bài tập

Mỗi bài cho sẵn dòng import và dòng def với thân là pass. Bạn thay pass bằng thân hàm. Trình chấm không đọc những gì bạn in ra: nó gọi hàm với nhiều bộ đối số rồi so giá trị trả về, nên hàm phải return. p-value được so gần đúng với kết quả của scipy, nên đừng làm tròn.

Mỗi hàm có năm hay sáu dòng kiểm tra: ví dụ trong đề, vài trường hợp biên (p đúng bằng α, p gần 0,04 và gần 0,06) và một dòng kiểm hàm không sửa list hay DataFrame của nơi gọi. Dòng cuối gọi hàm với hàng chục bộ số sinh tự động rồi so với một cách tính khác. Bài mô phỏng ở mức khó không có đáp số đúng từng chữ số: kết quả được nhận khi nằm trong bốn sai số chuẩn quanh giá trị lí thuyết, và cùng hạt giống phải cho cùng kết quả.

Bí thì mở gợi ý theo thứ tự: gợi ý một chỉ chỗ cần nhìn, gợi ý hai nêu cách làm, gợi ý ba gần như là lời giải. Mỗi đề kết thúc bằng một link "Ôn lại" về bài dạy đúng kĩ thuật đó.

Mức dễ: kết luận, kiểm định z và t một mẫu

Ba bài đầu: một quy tắc quyết định, rồi hai kiểm định một mẫu.

Viết câu kết luận từ p và alpha

Viết thân hàm ket_luan(p, alpha): nếu p nhỏ hơn hoặc bằng alpha thì trả về đúng chuỗi "bác bỏ H0", ngược lại trả về đúng chuỗi "chưa đủ bằng chứng để bác bỏ H0".

Trả về: một trong hai câu trên, một str.

Ví dụ ket_luan(0.003, 0.05) cho "bác bỏ H0". Ôn lại: kiểm định giả thuyết.

python
def ket_luan(p, alpha):
    pass  # Viết thân hàm thay cho dòng này

Kiểm định z cho một tỉ lệ

Một quán thử món mới với n khách, x khách gọi lại lần hai; quán muốn biết tỉ lệ thật có khác p0 không. Viết thân hàm z_ti_le(x, n, p0): tính z = (x/n − p0) / √(p0(1 − p0)/n), rồi p-value hai phía bằng norm.sf().

Không dùng binomtest() hay chisquare().

Trả về: p-value hai phía, một float.

Ví dụ z_ti_le(62, 100, 0.5) cho khoảng 0.0164. Ôn lại: kiểm định z.

python
import math
from scipy.stats import norm


def z_ti_le(x, n, p0):
    pass  # Viết thân hàm thay cho dòng này

Kiểm định t một mẫu bằng scipy

Một máy rót được chỉnh để rót trung bình mu0 (đơn vị tùy bài). du_lieu là list các lần đo (ít nhất hai, không bằng nhau hết). Viết thân hàm t_mot_mau(du_lieu, mu0): chạy kiểm định t một mẫu hai phía bằng stats.ttest_1samp() và lấy p-value. Không dùng ttest_rel(). Hàm không sửa list của nơi gọi.

Trả về: p-value hai phía, một float.

Ví dụ t_mot_mau([5.2, 4.8, 5.9, 6.1, 5.5, 5.7], 5.0) cho khoảng 0.0406. Ôn lại: kiểm định t một mẫu.

python
import numpy as np
from scipy import stats


def t_mot_mau(du_lieu, mu0):
    pass  # Viết thân hàm thay cho dòng này

Mức vừa: hai nhóm, bảng chéo và ANOVA trên DataFrame

Ba bài này đưa dữ liệu vào đúng hình mà scipy cần: hai list, một bảng đếm, các nhóm của một cột.

t-test Welch cho hai nhóm độc lập

a và b là hai list số của hai nhóm khác người (mỗi nhóm ít nhất hai số). Viết thân hàm welch(a, b): chạy t-test hai mẫu hai phía không giả định phương sai bằng nhau bằng stats.ttest_ind(). Hàm không sửa list của nơi gọi.

Trả về: p-value hai phía, một float.

Ví dụ welch([22, 25, 19, 28, 24], [30, 27, 33, 29, 31, 35]) cho khoảng 0.00528. Ôn lại: kiểm định t hai mẫu.

python
from scipy import stats


def welch(a, b):
    pass  # Viết thân hàm thay cho dòng này

Kiểm định chi bình phương từ hai cột của DataFrame

bang là một DataFrame, cot_a và cot_b là tên hai cột phân loại. Viết thân hàm chi2_cot(bang, cot_a, cot_b): lập bảng đếm bằng pd.crosstab(), rồi chạy stats.chi2_contingency() với tham số mặc định (bảng 2 × 2 có hiệu chỉnh Yates). Hàm không sửa DataFrame của nơi gọi.

Trả về: p-value, một float.

Ví dụ với ly = pd.read_csv("lua_chon_do_uong.csv"), chi2_cot(ly, "nhom_tuoi", "do_uong") cho khoảng 2.1e-10. Ôn lại: kiểm định chi bình phương.

python
import pandas as pd
from scipy import stats


def chi2_cot(bang, cot_a, cot_b):
    pass  # Viết thân hàm thay cho dòng này

ANOVA theo một cột nhóm của DataFrame

bang là một DataFrame, cot_nhom là tên cột phân nhóm (ít nhất hai nhóm), cot_so là tên cột số. Viết thân hàm anova_cot(bang, cot_nhom, cot_so): tách cot_so thành các nhóm theo cot_nhom bằng groupby(), rồi chạy stats.f_oneway() (ANOVA thường, phương sai bằng nhau). Hàm không sửa DataFrame của nơi gọi.

Trả về: p-value, một float.

Ví dụ với goi = pd.read_csv("khoi_luong_goi.csv"), anova_cot(goi, "may", "khoi_luong_g") cho khoảng 0.0006. Ôn lại: ANOVA.

python
import pandas as pd
from scipy import stats


def anova_cot(bang, cot_nhom, cot_so):
    pass  # Viết thân hàm thay cho dòng này

Mức khó: chọn kiểm định, hiệu chỉnh và mô phỏng

Ba bài cuối đòi bạn tự chọn hàm theo dữ liệu, ghép nhiều kiểm định và tự sinh dữ liệu.

Chọn kiểm định cho hai nhóm

a và b là hai list số. cap là True khi phần tử thứ i của hai list đo trên cùng một người (khi đó hai list cùng độ dài), lech là True khi dữ liệu lệch mạnh hay có ngoại lai. Viết thân hàm so_hai_nhom(a, b, cap, lech) chọn kiểm định hai phía:

  • cặp, không lệch: stats.ttest_rel(a, b);

  • cặp, lệch: stats.wilcoxon(a, b);

  • độc lập, không lệch: t-test Welch;

  • độc lập, lệch: stats.mannwhitneyu(a, b).

Hàm không sửa list của nơi gọi.

Trả về: p-value của kiểm định đã chọn, một float.

Ví dụ so_hai_nhom([38, 45, 41, 52, 36, 48], [42, 47, 46, 53, 42, 48], True, False) cho khoảng 0.0267. Ôn lại: chọn kiểm định.

python
from scipy import stats


def so_hai_nhom(a, b, cap, lech):
    pass  # Viết thân hàm thay cho dòng này

So từng cặp bằng Mann-Whitney có hiệu chỉnh Bonferroni

Sau một kiểm định Kruskal-Wallis có ý nghĩa, bạn so từng cặp nhóm bằng Mann-Whitney. cac_nhom là list các list số (ít nhất hai nhóm), alpha là mức ý nghĩa cho cả họ. Có m = k(k − 1)/2 cặp với k nhóm. Viết thân hàm cap_mann_whitney(cac_nhom, alpha): với mỗi cặp (i, j), i < j, tính p của stats.mannwhitneyu(), nhân với m để có p hiệu chỉnh, giữ cặp có p hiệu chỉnh ≤ alpha. Không dùng false_discovery_control(). Hàm không sửa list của nơi gọi.

Trả về: một list các tuple (i, j) (nhóm đánh số từ 0), theo thứ tự i rồi j tăng dần.

Ví dụ cap_mann_whitney([[3, 5, 4, 6, 2, 5], [8, 9, 7, 10, 9, 8], [4, 6, 5, 7, 6, 3]], 0.05) cho [(0, 1), (1, 2)]. Ôn lại: so sánh nhiều lần.

python
from scipy import stats


def cap_mann_whitney(cac_nhom, alpha):
    pass  # Viết thân hàm thay cho dòng này

Mô phỏng: chạy m kiểm định thì báo nhầm bao nhiêu

Mỗi lần thử, bạn chạy m t-test (Student, hai phía), mỗi t-test so hai nhóm 10 số rút từ cùng phân phối chuẩn N(0, 1), nên H₀ đúng cho mọi kiểm định. Lần thử "báo nhầm" khi có ít nhất một p ≤ 0,05. Viết thân hàm bao_nham(m, so_lan, rng): chạy so_lan lần thử, rút số bằng rng.normal(0, 1, size=...), và trả về tỉ lệ lần thử báo nhầm, không hiệu chỉnh.

rng do nơi gọi tạo: không dùng np.random.seed(), không tạo bộ sinh số mới bằng np.random.default_rng() trong hàm.

Trả về: tỉ lệ lần thử có ít nhất một p ≤ 0,05, một float từ 0 đến 1.

Ví dụ bao_nham(20, 2000, np.random.default_rng(1)) cho một số gần 0,64. Ôn lại: sai lầm loại 1 và loại 2.

python
import numpy as np
from scipy import stats


def bao_nham(m, so_lan, rng):
    pass  # Viết thân hàm thay cho dòng này

Câu hỏi thường gặp

Làm sao biết bài tập kiểm định t nên dùng ttest_ind hay ttest_rel?

Hỏi xem mỗi số của nhóm này có ghép được với đúng một số của nhóm kia trên cùng một người, một ngày hay một cửa hàng không. Ghép được thì là dữ liệu cặp, dùng ttest_rel(); không thì dùng ttest_ind(..., equal_var=False). Bài kiểm định t cặp cho thấy nhầm hai loại thì p sai thế nào.

Bài tập kiểm định chi bình phương của tôi ra p khác với bảng tính tay?

Thường do hai việc: bảng 2 × 2 mà chi2_contingency() mặc định có hiệu chỉnh Yates, hay đưa bảng tỉ lệ thay cho bảng đếm. Truyền correction=False khi muốn khớp tay, và hãy đưa số đếm của pd.crosstab().

Làm xong chín bài này thì luyện tiếp ở đâu?

Dự án ba kênh bán hàng ghép mô tả, kiểm giả định, ANOVA hay Kruskal và so cặp thành một báo cáo trên một bảng đơn hàng giả lập hơn một nghìn dòng.

Chủ đề

bài tập kiểm định giả thuyết

Dữ liệu của bài

Bài này có hữu ích?

Hỏi đáp

Đang tải câu hỏi…

Tham vấn chuyên môn

Nguyễn Việt Chung

Nhà sáng lập AIDev và VietPlatform · Thạc sĩ AI MSE

  • Tốt nghiệp thủ khoa xuất sắc Thạc sĩ AI MSE.
  • Đồng sáng lập, CTO E-University, SVOnline: số hóa 10+ đại học, 40.000+ sinh viên.
  • Xây hệ thống AI cho doanh nghiệp tại VietPlatform.
Biên soạn: AIDev Team · Rà soát · Quy trình biên tập